Tema: Você e um problema pequeno

Dados: Opiniões sobre filmes (small)

….

TRILOGIA MATRIX

Ordem dos filmes: The Matrix, The Matrix: Reloaded, The Matrix: Revolutions.

Escolhi falar aqui sobre uma das minhas trilogias favoritas: Matrix. Esse filme que mistura muito Sci-fi com Ação, muitas artes marciais, cenas surreais envolvendo desvios de balas, além de para-las no ar tem várias interpretações diferentes, sobre como o homem fica imerso na sociedade a ponto de ser apenas uma bateria descartável para ela. Outras interpretações ainda falam sobre a forma como o homem está submisso a sociedade de consumo e como isso irá destruir o nosso mundo, como a realidade que eles vivem no filme e ainda que o filme é um Conto da caverna (Platão) contemporâneo.

Seja qual a interpretação que for é uma trilogia muito bem fechada com roteiro excelente e elenco ainda melhor. Uma verdadeira história do Homem vs Maquina e o Homem contra ele mesmo, suas dúvidas e principalmente as consequências das suas escolhas.

….

Tratamento dos dados

Para o tratamento inicial dos dados temos que isolar os filmes dessa trilogia do restante dos filmes. Entretanto já pensando nas próximas sessões, que serão comparativos gerais, a ideia é criar uma nova coluna contendo o número de gêneros naquele filme em questão pois, isso facilitará na hora de fazermos comparação de média e distribuição de notas depois.

Apesar de existirem 4 arquivos com os dados dos filmes, para esse laboratório, só foi necessário dois deles: ratings e movies.

As informações mais relevantes de ratings eram principalmente o id do filme (movieId) e o próprio voto dos usuários (rating). Já para o movies as principais eram o título do filme (title), o id do filme também (movieId) e os gêneros os quais o filme se encaixa (genres).

Então os dois csv foram usados para formar um novo dataframe que contém as informações dos dois antigos, chamado merged. Esse df também foi usado para a criação da nova coluna com a quantidade de gêneros. Todas as variações abaixo só foram colunas que precisavam ter formatos diferentes dos dados. 

links <- read.csv("dados/links.csv")
movies.factor <- read.csv("dados/movies.csv")
ratings <- read.csv("dados/ratings.csv")
tags <- read.csv("dados/tags.csv")

movies.str <- read_csv("dados/movies.csv", col_types = cols(genres = col_character()))

merged <- merge(ratings,movies.factor,by = "movieId")
merged.str <- merge(ratings,movies.str,by = "movieId")
matrix.trilogia <- merged[grep("Matrix", merged$title), ]

means <- matrix.trilogia %>%
  select(title,rating)
names(means)[1] <- "title"
names(means)[2] <- "rating"

means <- means %>% 
  group_by(title) %>%
  mutate(rating = mean(rating)) 
means <- means[match(unique(means$title),means$title),]

numero_generos.completo <- merged.str %>%
  mutate(n_generos = vapply(strsplit(merged.str$genres, "\\W+"), length, integer(1)))

Variância e distribuição das notas

Vamos analisar primeiramente a variação das notas e suas medianas para essa trilogia, e comprovar de vez qual o filme que os usuários mais gostam e consequentemente deram melhores notas.

O primeiro gráfico para ajudar nesse estudo é o boxplot. Aqui existe um para cada filme da trilogia, e já podemos comprovar o que em casos de muitos outros filmes é verdadeiro: O primeiro filme é o mais impactante.

O primeiro filme tem a mediana maior que os outros dois e isso é facil de entender pois, o filme foi muito inovador para a época, além de trazer uma ideia muito extrema de mundo pós-apocaliptico misturado com ação/artes marciais. Isso chocou muitas pessoas na época que acharam o filme uma verdadeira revolução do cinema. Entretanto esse hype causou a queda das notas nos outros dois filmes que se esperava que fosse tão inovador quanto o primeiro, so que os criadores mantiveram a mesma ideia. 

matrix.trilogia %>% 
  ggplot(aes(x=title,y=rating, group = title, color = title)) + geom_boxplot()  + coord_flip()

Outra visualização de dispersão

Outra forma de vermos as mesmas variáveis mas para analisarmos outro aspecto é o Violinplot.

Nesse tipo de gráfico vemos principalmente onde os pontos, que correspondem as notas, se concentram e podemos ver se os usuários votaram de forma equilibrada ou apenas alguns que deram notas baixas, o mesmo se aplicanto a notas altas.

A conclusão desse gráfico é que para o primeiro filme vemos a concentração de pontos acima da nota 3, o que não é o mesmo comportamento do ultimo filme (The Matrix: Revolutions), o qual tem uma distribuição quase uniforme durante o eixo X todo. Isso mostra que os usuários divergiram muito de opinião sobre o quão bom foi o filme. 

matrix.trilogia %>% 
  ggplot(aes(x=title,y=rating, group = title, color = title)) + geom_violin()  + coord_flip()

E na média?

Nos gráficos anteriores estávamos focados apenas na mediana e na distribuição das notas mas a média também é um fator importante a ser analisado, por isso o gráfico de barras é util para estudarmos esse fator.

Esse gráfico nos mostra uma diferença bem menor que nos anteriores, principalmente quando vemos em relação ao segundo e ao terceiro filme. Os dois tem um comportamento bem parecido, mas o primeiro ainda continua bem a frente nos votos. 

means %>%
  ggplot(aes(x=title, y=rating, color = title)) + geom_col() + geom_point() + coord_flip()

PANORAMA GERAL - DADOS COMPLETOS

Analisar os dados da sua trilogia favorita é muito bom, mas faz crescer um pensamento sobre os filmes em geral: Será que existe alguma quantidade de gêneros em que um filme se encaixa que isso faz ele receber notas melhores?

É dedicado a esse questionamento que essa sessão foi criada e foi necessário a criação de uma nova coluna no dataframe que está sendo manipulado pois, o ideal é termos o número de gêneros para cada filmes/avaliação e não o nome do gênero em si.

Dentro do dataframe foi criada a colune n_generos que contêm a quantidade de gêneros que o filme se encaixa, e essa variável é chave para essa análise a seguir. Os limite inferior dessa variável é 1 e o superior é 11.

Variância separados por quantidade de generos

Seguindo o raciocínio da sessão anterior podemos ver primeiramente como se comportam as notas em relação a cada quantidade de gêneros, mediana, quartis e a distribuição durante o eixo de forma interativa com esse boxplot.

Primeiramente vamos desconsiderar a quantidade de gêneros que só aparecem em um filme (caso do 9, 10 e 11) e analisarmos o resto. Podemos ver que o que tem a maior mediana e concentração de votos na parte superior do eixo é quando n_generos é igual a 8. Para o resto dos valores o comportamento é muito parecido, chegando a ser identico para 1 a 4 e 6, 5 e 7. 

ggplotly(numero_generos.completo %>%
  ggplot(aes(x=n_generos,y=rating, group = n_generos)) + geom_boxplot() + scale_x_continuous(breaks=seq(0, 12, by=1)))

Melhor quantidade vs filmes com apenas um gênero

Agora que sabemos qual a quantidade de generos em um filme que é melhor votada, podemos avaliar se é uma votação justa, do ponto de vista de quantidade de votos. Podemos fazer esse comparativo para quando n_generos é igual a 8 ou a 1, que neste ultimo caso são os filmes que tem apenas um gênero. Para isso utilizaremos dois gráficos de barra divididos por essa categoria citada anteriormente mas que no eixo X é especificamente cada nota e no Y é a quantidade de votos daquela nota.

Para poder visualizar melhor nesse gráfico você talvez queira clicar em Autoscale pois a quantidade de filmes com 8 gêneros é absurdamente menor do que com apenas 1. Podemos observar aqui que a quantidade de votos para os filmes com 1 gênero é muito maior e isso pode ser um dos colaboradores principais para que a nota baixe. 

generos.8.e.1 <- numero_generos.completo %>%
  filter(n_generos == 8| n_generos == 1)

generos.8.e.1$n_generos <- as.factor(generos.8.e.1$n_generos)
generos.8.e.1$rating <- as.factor(generos.8.e.1$rating)

ggplotly(generos.8.e.1 %>%
  ggplot(aes(x=rating, fill = n_generos)) + geom_histogram(aes(y=..count..), stat = "count") + facet_grid(n_generos~.) 
)

E na média?

Podemos também usar a média para comparar como se comportam essas mesmas classes de filmes. A ideia é usar um gráfico comum de barrar para a associação ser mais rápida e facil.

O resultado foi um surpreendente. A expectativa é que essa média para os filmes com apenas um gênero e subisse ainda mais para filmes com 8. Entretanto vemos que as duas médias se aproximaram, diferindo apenas por 0.4 pontos. 

means.8.e.1 <- numero_generos.completo %>%
  select(rating,n_generos)

means.8.e.1$n_generos <- as.factor(means.8.e.1$n_generos)

means.8.e.1 <- means.8.e.1  %>% 
  filter(n_generos == "1" | n_generos == "8") %>%
  group_by(n_generos) %>%
  mutate(rating = mean(rating)) 
means.8.e.1 <- means.8.e.1[match(unique(means.8.e.1$n_generos),means.8.e.1$n_generos),]

means.8.e.1 %>% ggplot(aes(x=n_generos,y=rating, color = n_generos, fill = n_generos)) + geom_bar(stat="identity")

Correlação dos fatores

Após todas essas análises podemos pensar se existe mesmo uma relação entre a quantidade de gêneros em um filmes e as notas que ele recebe. Para isso podemos utilizar os dados completos novamente e tentar cruzar as variáveis procurando uma correlação forte entre elas

Como resultado temos que a correlação é muito fraca, isso quer dizer que não necessariamente um filme que tem muitos gêneros vai ter boas avaliações. Pelo menos esses dados não comprovam isso. 

means.8.e.1$n_generos <- as.numeric(means.8.e.1$n_generos)
numero_generos.completo %>% 
  select(-title,-genres,-timestamp,-movieId, -userId) %>%
  ggpairs(cardinality_threshold = 2800)